근전도를 이용한 동적 운동 인식과 로봇 제어

Abstract

표면 근전도 신호(surface electromyogram, sEMG)는 운동 뉴런과 근섬유로 구성된 운동 단위(motor unit)에서 발생한 활동 전위가 피부 표면까지 전도되어 측정되는 생체 전기 신호의 일종으로 침습 없이 근육의 활성화를 측정할 수 있는 수단으로써 동작 의도 인식을 필요로하는 여러 로봇에 적용되어 왔다. 그러나 대다수의 근전도를 이용한 동작 인식 연구는 손의 제스쳐나 분절된 형태의 동작을 주 인식 대상으로 삼았으며, 근전도와 동작 레이블(label)이 쌍을 이룬 학습 데이터를 이용하여 동작 인식 알고리즘에 교시 학습을 적용하여 왔다. 이런 과정에서 근전도와 동작이 이루는 여러가지 관계가 쉽게 단순화되었고 동작과 관련된 근전도의 여러 특성들이 무시되어왔다. 이 논문은 근전도와 동작 사이의 관계를 새롭게 정의하고 무시되었던 근전도의 특성들을 탐구하는데 목적이 있다.

첫째로 이 논문은 사전 학습을 전혀 필요로 하지 않는 근전도 패턴 인식 알고리즘을 제안하여 기존의 교시 학습 기반의 근전도 동작 인식 알고리즘의 동작 인식률을 뛰어 넘는 성능을 보여준다. 이 알고리즘은 새로운 패턴의 등록과 기존 패턴의 갱신 등으로 구성된 스스로 적응하는 절차를 매 데이터 수집 주기마다 반복하고, 새로 들어온 근전도 데이터를 현재 가지고 있는 패턴 중에 어디에 속하는지를 자동적으로 판별하는 알고리즘이다. 뿐만아니라 이를 통해 구분된 근전도 패턴은 정상 상태의 동작 이외에도 동작이 전이하는 과정에서 별도의 패턴을 보여주기도 하였으며, 이러한 전이 상태의 패턴은 동작의 전이 속도에 따라 변화하는 양상도 보여주었다.

둘째로 이 논문은 동적이고 연속된 동작에 대해 동작의 단계를 근전도와 동작 데이터를 통해 새로 정의하는 방법을 제안하였다. 이렇게 구성된 동작의 단계로부터 근전도의 확률 정보와 동작간의 구성 계층 정보를 얻을 수 있으며, 동작의 종류와 단계를 근전도로부터 동시에 추론할 수 있는 계층화된 동작 인식 알고리즘의 학습을 빠르고 효과적으로 해낼 수 있었다. 이렇게 학습된 계층화된 동작 인식 알고리즘은 교시 학습을 기반으로 한 기존의 방법들보다 뛰어난 인식률을 보였으며 학습 시간에서도 굉장히 효율적임을 보여주었다.

셋째로는 주어진 작업을 달성할 수 있는 로봇의 경로와 임피던스(impedance)를 사용자가 근전도를 통한 원격 제어를 기반으로 직접 로봇을 이용해 시연함으로써 로봇을 학습시키는 방법을 제안하였다. 이 연구는 크게 두 부분으로 나뉘어진다. 근전도를 이용한 텔레-임피던스(tele-impedance) 제어는 로봇과 작업자 사이에 단지 시각적인 피드백만을 허용한다. 그렇기 때문에 사용자가 주어진 작업을 달성하기 위해 시각적인 피드백만으로 원격 제어 환경에 적응함으로써 적절한 임피던스값을 찾을 수 있는지를 검증하기 위한 연구이다. 이를 위해 가상 공간의 텔레-임피던스 제어가 적용된 시스템에 대해 2차원 평면 상에 원하는 지점으로 시스템 출력을 이동시키는 작업을 꾸미고, 목표 지점 주변에 불안정한 역장을 만들어 특정 임피던스값 이상을 유지해야 목표 지점에서 위치를 유지할 수 있는 환경을 만들었다. 두 종류의 역장에 대해 사용자가 반복을 통해 필요한 임피던스를 근전도를 통해 찾아낼 수 있음을 확인하였다.

이어서 우리는 빠르면서도 동시에 정확한 경로와 임피던스의 조절을 필요로하는 공 트래핑(trapping) 작업에 적용하였다. 텔레-임피던스가 적용된 실제 로봇을 이용해 공 트래핑 작업을 작업자가 근전도를 통해 원격으로 조정할 수 있게 하였다. 그리고 작업자에게 떨어지는 공을 받는 작업을 작업자가 반복적으로 로봇을 이용해 직접 시연하도록 하였다. 여러 반복 끝에 트래핑에 성공한 시연을 얻을 수 있었으며, 이로부터 경로와 임피던스의 시계열 데이터를 추출하였다. 추출된 경로와 임피던스를 통해 로봇이 최종적으로 공 트래핑을 성공적으로 재연하는 것을 확인하였다.

Surface electromyogram (sEMG) is a bio-electrical signal derived from the action potential of motor units consisting of motor neurons and muscle fibers, and has been widely used in robotic applications where motion intention recognition is required as a measure of non-invasive muscle activation. However, most of the motion recognition studies using sEMG focuses mainly on gesture or discrete motion and relies heavily on supervised learning using training dataset consisting of pairs of sEMG and motion labels to reduce the stochastic characteristics of sEMG. In these approach, various relationships of sEMG with motion have been greatly simplified and there has been a tendency that the characteristics of sEMG related to motions are easily neglected. This thesis redefines the relationship between sEMG and motion and exploits omitted sEMG characteristics.

First, we proposes training-free sEMG pattern recognition algorithm without any prerequisite training that exceeds the motion recognition accuracy of the existing sEMG motion recognition methods based on the supervised learning. The proposed training-free method employs an iterative self-adaptive procedure realized by the probabilistic methods of diffusion, updating, and registration to cluster the activation patterns simultaneously in real time, and classify the current sEMG as new clustered patterns. In addition, the classified sEMG pattern is related to not only the steady state motion but also the transient state, and distinguishes different sEMG patterns depending on the transition speed.

Second, we propose a method to define the motion phase for continuous dynamic motion using sEMG and motion data. By simply constructing motion hierarchy and probability distribution of sEMG for each motion phase obtained by using only kinematic motion data and sEMG data, the propose hierarchical motion segmentation algorithm using sEMG can simultaneously classify motion type and phase. In addition, it is possible to demonstrate higher classification accuracy than state-of-the-art supervised learning methods consuming much time.

Third, we propose a path and impedance planning method for impedance control in a robot based on programming by demonstration through tele-impedance control using sEMG. This approach is divided into two chapters. Tele-impedance control allows only visual feedback between a robot and an operator. Therefore, we first verify whether a human operator can adapt the stiffness under unstable dynamics during a reach-to-point task. In two types of experiments, the operator adapted to the unstable dynamics and generated a stiffness trajectory that effectively and efficiently completed the task.

Then, we considered a task that requires quick and precise adjustment of path and impedance, that is, ball trapping. We implemented a tele-operated robot that can deliver an operator's impedance as well as position during the ball trapping task to the slave side. The operators were asked to perform demonstrations of ball trapping tasks using the implemented tele-operated robot, where the slave side is a vertical robot with one degree of freedom. The path and impedance were recorded and programmed as control input profiles from a set of successful demonstrations using Gaussian mixture regression. The result showed that using the human demonstration, the robot could learn how to catch a dropped ball without rebounding.